Dados e Análise

MATLAB e GNU Octave para computação numérica, abrangendo operações de matriz, análise de dados, visualização e computação científica. Utilize para scripts de álgebra linear, processamento de sinal/imagem, equações diferenciais, otimização, estatística ou visualizações científicas, e para assistência com sintaxe, funções ou conversões de MATLAB.

Computação distribuída para fluxos de trabalho pandas/NumPy maiores que a RAM, escalando código existente além da memória ou entre clusters. Ideal para processamento paralelo de arquivos, ML distribuído e integração com pandas.

Consulte programaticamente o CELLxGENE Census (mais de 61 milhões de células) para obter dados de expressão em tecidos, doenças ou tipos de células do maior atlas de célula única curado. É ideal para consultas em escala populacional e comparações de atlas de referência.

PyTorch Geometric (PyG) é para redes neurais gráficas, abrangendo classificação de nós/links/grafos, passagem de mensagens (GCN, GAT, GraphSAGE, GIN), grafos heterogêneos, amostragem de vizinhos e datasets personalizados. Utilize-o com torch_geometric, não para análises gerais com NetworkX ou modelos PyTorch não gráficos.

Análise de gravações neurais Neuropixels, incluindo carregamento de dados SpikeGLX/OpenEphys, pré-processamento, correção de movimento, classificação de picos com Kilosort4, métricas de qualidade e análise visual assistida por IA para eletrofisiologia extracelular Neuropixels 1.0/2.0.

Modelos generativos profundos para ômicas de célula única são ideais para modelagem avançada, efeitos de lote e dados multimodais, oferecendo correção probabilística de lote (scVI), aprendizado por transferência, expressão diferencial com incerteza e integração multimodal (TOTALVI, MultiVI). Para pipelines de análise padrão, use scanpy.

Consulte e baixe dados públicos de imagens de câncer do NCI Imaging Data Commons usando idc-index. Acesse grandes conjuntos de dados de radiologia (TC, RM, PET) e patologia para treinamento de IA ou pesquisa sem autenticação, consultando por metadados, visualizando no navegador e verificando licenças.

Plataforma de gerenciamento de dados de microscopia para triagem de alto conteúdo e fluxos de trabalho de microscopia. Permite acessar imagens via Python, recuperar conjuntos de dados, analisar pixels, gerenciar ROIs/anotações e processamento em lote.

Formula hipóteses estruturadas e testáveis a partir de observações ou dados experimentais, incluindo previsões, mecanismos propostos e designs experimentais, seguindo o método científico.

Esta skill é para trabalhar com LaminDB, um framework de dados de código aberto para biologia que torna os dados consultáveis, rastreáveis, reproduzíveis e FAIR. Use-a para gerenciar conjuntos de dados biológicos, rastrear fluxos de trabalho, curar dados com ontologias, construir lakehouses ou garantir a linhagem e reprodutibilidade dos dados.

Hugging Science é um catálogo curado de conjuntos de dados científicos, modelos, posts de blog e Spaces interativos, projetado para usuários envolvidos em trabalho de IA/ML em vários domínios científicos como biologia, química e física.

Pesquise 78 bancos de dados públicos científicos, biomédicos, de ciência de materiais e econômicos via APIs REST, abrangendo áreas como física, química, biologia e materiais.